KR101383617B1 - 일사량 예측 방법 및 장치 - Google Patents

일사량 예측 방법 및 장치 Download PDF

Info

Publication number
KR101383617B1
KR101383617B1 KR1020120087104A KR20120087104A KR101383617B1 KR 101383617 B1 KR101383617 B1 KR 101383617B1 KR 1020120087104 A KR1020120087104 A KR 1020120087104A KR 20120087104 A KR20120087104 A KR 20120087104A KR 101383617 B1 KR101383617 B1 KR 101383617B1
Authority
KR
South Korea
Prior art keywords
prediction
case
solar radiation
range
seasonal
Prior art date
Application number
KR1020120087104A
Other languages
English (en)
Other versions
KR20140021179A (ko
Inventor
홍태훈
구충완
이민현
지창윤
김지민
김현중
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020120087104A priority Critical patent/KR101383617B1/ko
Publication of KR20140021179A publication Critical patent/KR20140021179A/ko
Application granted granted Critical
Publication of KR101383617B1 publication Critical patent/KR101383617B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명의 실시예들에 따른 절기별 일사량 예측 방법은 각각의 사례가 지리적 속성과 절기별로 관측된 기상학적 속성들을 포함하는 복수의 독립 변수들과 절기별로 관측된 일사량을 포함하는 종속 변수로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계, 사례 데이터베이스 내의 사례들의 절기별 기상학적 속성들 및 절기별 일사량을 절기별 군집으로 분할하는 단계 및 주어진 독립 변수 시험값들에 관하여 사례 데이터베이스의 절기별 군집으로부터 검색되는 절기별 검색 결과를 기초로 절기별 일사량 예측값을 추정하는 단계를 포함할 수 있다.

Description

일사량 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING DAILY SOLAR RADIATION LEVEL}
본 발명은 태양광 이용 기술에 관한 것으로, 더욱 상세하게는, 일사량 예측 기술에 관한 것이다.
유엔기후변화협약(UNFCCC: UN Framework Convention on Climate Change)은 수년 간에 걸친 지구 온난화에 대한 범세계적 문제 인식 촉구의 결과로 1992년에 체결되었고 1994년 3월에 발표되었다. 그 이후에 온난화의 주범인 온실가스의 배출을 줄이기 위한 노력의 일환으로 많은 국가들이 태양광 같은 신재생 에너지의 보급 정책을 펴왔다.
여러 선진국에서는 발전차액지원제도를 시행하고 있고, 각각의 목표년도까지 20 %에서 50 %에 이르는 태양광 공급 의무량도 설정하고 있다.
한국의 경우, 태양광 에너지 설비는 최근 연평균 130% 정도의 성장률을 보이며 활발하게 보급되고 있다. 학교와 같은 교육 시설에서는 약 800%의 증가세를 보이고 있다.
기술적으로도, 대규모 부지나 설비가 필요하고 에너지 생산지가 도심과 같은 전력 에너지 수요지와 멀 수 밖에 없으며 효율을 더 높이기 어려운 풍력이나 파력, 조력과 같은 다른 신재생 에너지와 달리, 태양광 에너지는 도심이나 빌딩에서 다양한 형태와 규모로 전력 에너지를 생산할 수 있고 태양열도 함께 활용할 수도 있으며 모듈화로 대량생산될 수 있고 대규모 투자와 기술 개발로 효율이 크게 개선되고 있어 여러 모로 유리하다.
통상 태양광 발전 시스템을 PV(Photovoltaic) 시스템이라고 한다. PV 시스템의 발전 경제성은 짧게는 하루 동안의 태양광의 세기 변화에 대처하는 방식에도 영향을 받지만, 그보다는 연간 태양광 일사량(DSR: Daily Solar Radiation)에 의해 더 좌우된다고 할 수 있다.
종래에 태양광 발전 시스템을 효율화하려는 노력은 대체로 PV 소재 개선, 전력 변환 효율 개선, 전력 비축 장치 개선, 태양 추적 장치 등의 개선에 집중되어 왔지만, 현실적으로는 태양광 발전 시스템을 어디다 설치하느냐의 문제는 이러한 기술들의 개선으로 얻는 효율의 증가보다 더 중요한 문제이다.
또한, 어느 부지에 태양광 발전 시스템을 반드시 설치해야 하는 경우라면, 목표하는 전력량을 얻기 위해 어느 정도 규모로 설치해야하는지 예측하는 문제나, 또는 반대로 특정 규모로 설치할 경우 얻을 수 있는 전력량은 어느 정도인지 예측하는 문제가 대두될 수 있다. 이러한 문제들은 모두 태양광 일사량을 정확히 알아야 해결책을 제시할 수 있다.
따라서, PV 시스템의 경제성을 극대화하려면 일사량이 정확하게 파악되어야 한다.
그러나, 태양광 일사량은 태양광의 입사 각도를 결정하는 위도나 태양광이 지표면에 도달하기까지 대기권에서 흡수되는 정도를 결정하는 기상 조건에 따라 크게 영향을 받는다.
국내에서는 24 개 지역의 기상청 관측소에서 일사량을 실측하고 있고 과거 약 30년 간의 월별 일사량 수치를 데이터베이스로 구축한 상태이다. 그러나, 기상청 관측소가 없는 지역의 일사량 실측 데이터는 직접 장기간 조사하지 않는 이상 사실상 획득하기 불가능한 실정이다.
이에 따라, 일사량 실측 데이터가 없는 지역의 일사량을 예측할 필요성이 대두되었다. 일사량 예측을 위해 몇 가지 예측 방법론들이 적용되었는데, ANN(인공신경망, Artificial Neural Network) 모델, GIS(지리정보 시스템, Geographic Information System) 모델, 인공위성 기반 모델 등이 제안되었다.
그러나 ANN 모델링은 예측 정확도는 우수하나 예측 결과의 근거를 설명하지 못하는 단점이 있고, GIS 모델이나 인공위성 기반 모델은 예측 지역과 실측 지역 사이의 지도 상의 거리를 근거로 모델링하기 때문에 실제 지형이나 기상 조건을 고려하지 않아 신뢰성이 낮다는 단점이 있다.
본 발명이 해결하고자 하는 과제는 높은 예측 정확도를 가지면서 예측 결과의 근거를 설명할 수 있는 일사량 예측 방법 및 장치를 제공하는 데에 있다.
본 발명의 일 측면에 따른 절기별 일사량 예측 방법은,
각각의 사례가 지리적 속성과 절기별로 관측된 기상학적 속성들을 포함하는 복수의 독립 변수들과 절기별로 관측된 일사량을 포함하는 종속 변수로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계;
상기 사례 데이터베이스 내의 사례들의 절기별 기상학적 속성들 및 절기별 일사량을 절기별 군집으로 분할하는 단계; 및
상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스의 절기별 군집으로부터 검색되는 절기별 검색 결과를 기초로 절기별 일사량 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 사례 데이터베이스의 검색은,
적어도 둘 이상의 정량적 예측 방법론들에 기초한 각각의 종속 변수 예측값들 및 오차율들을 기초로 필터링 범위를 결정하는 단계;
적어도 사례기반추론(Case Based Reasoning)을 위한 파라미터들을 유전자 알고리즘(Gene Algorithm)을 이용하여 최적화하는 단계; 및
최적화된 파라미터들에 기초한 사례기반추론으로부터 얻은 검색 사례들 중에서 종속 변수값들이 상기 필터링 범위 내에 있는 검색 사례들을 유사 사례로서 출력하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함할 수 있다.
일 실시예에 있어서, 상기 필터링 범위는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)일 수 있다.
일 실시예에 있어서, 상기 필터링 범위는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율(tolerance range)만큼 확대한 확대 교차 범위일 수 있다.
일 실시예에 있어서, 상기 적어도 사례기반추론을 위한 파라미터들은,
사례기반추론을 위한 파라미터들로서 MCAS(minimum criterion for scoring attribute similarity), RAWn(Range of nth Attribute Weight), RCS(range of case selection)과, 필터링 범위의 결정을 위한 파라미터들로서 TRCRMA(Tolerance range of cross range between the predicted values of MRA and ANN models)를 포함할 수 있다.
일 실시예에 있어서, 상기 절기는 각각 월, 계절, 반기 중 어느 하나일 수 있다.
본 발명의 다른 측면에 따른 절기별 일사량 예측 장치는,
각각의 사례가 지리적 속성과 절기별로 관측된 기상학적 속성들을 포함하는 복수의 독립 변수들과 절기별로 관측된 일사량을 포함하는 종속 변수로써 표현되는 사례 데이터베이스;
상기 사례 데이터베이스 내의 사례들의 절기별 기상학적 속성들 및 절기별 일사량을 절기별 군집으로 분할하는 군집 분할부; 및
독립 변수 시험값들이 주어지는 테스트 사례가 제공되면, 상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 절기별 일사량 종속 변수 예측값을 추정하는 일사량 예측부를 포함할 수 있다.
일 실시예에 있어서, 상기 일사량 예측부는
적어도 둘 이상의 정량적 예측 방법론들에 기초하여 상기 사례 데이터베이스의 사례들에 관하여 종속 변수 예측값들, 오차율들 및 예측 범위들을 연산하는 정량적 예측 분석부;
상기 사례 데이터베이스의 사례들 중에서 사례기반추론을 이용하여 테스트 사례와 유사한 사례들을 검색하는 사례기반추론 모델;
상기 사례기반추론 모델을 위한 파라미터들을 유전자 알고리즘을 이용하여 최적화하는 파라미터 최적화부; 및
상기 종속 변수 예측값들, 오차율들 및 예측 범위들을 기초로 결정되는 필터링 범위를 가지고 상기 사례기반추론 모델에서 검색된 사례들을 필터링하여 유사 사례를 출력하는 필터링부를 포함할 수 있다.
상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함할 수 있다.
일 실시예에 있어서, 상기 필터링부는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)를 상기 필터링 범위로 결정하도록 동작할 수 있다.
일 실시예에 있어서, 상기 필터링부는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율만큼 확대한 확대 교차 범위를 상기 필터링 범위로 결정하도록 동작할 수 있다.
일 실시예에 있어서, 상기 절기는 각각 월, 계절, 반기 중 어느 하나일 수 있다.
본 발명의 일사량 예측 방법 및 장치에 따르면, 실제로 기후적/지리적 특성으로 인해 영향받아 다양한 양상을 보이는 일사량을 높은 예측 정확도를 가지고 예측할 수 있다.
본 발명의 일사량 예측 방법 및 장치에 따르면, 월별 데이터에 근거한 군집 형성에 기반하여 평균 예측 정확도와 표준편차를 크게 개선하였으며, 동시에 예측 결과의 근거를 과거의 사례들을 가지고 설명할 수 있다.
본 발명의 일사량 예측 방법 및 장치에 따르면, 높은 예측 정확도를 보장하므로 대규모의 전력 생산 프로젝트의 장기간의 에너지 비용(LCEC: Life Cycle Energy Cost), 환경 부하(LCCO2: Life Cycle CO2)에 발생할 수 있는 불확실성과 오류를 줄일 수 있다.
도 1은 본 발명의 일 실시예에 따른 일사량 예측 방법을 개략적으로 예시한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 일사량 예측 방법을 구체적으로 예시한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 일사량 예측 방법에서 응용되는 하이브리드 사례기반추론 방법론의 구체적인 단계들을 예시한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 일사량 예측 방법에서 유전자 알고리즘(GA)의 염색체를 예시한 개념도이다.
도 5는 본 발명의 일 실시예에 따른 일사량 예측 장치를 예시한 블록도이다.
도 6a 내지 도 6d는 실측된 일사량의 지리적 분포를 계절별로 예시한 도면들이다.
도 7은 실측된 일사량의 월별 분포를 예시한 도면이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 일사량 예측 방법을 개략적으로 예시한 개념도이다.
도 1을 참조하면, 본 발명의 일사량 예측 방법은 먼저 일사량 실측 데이터와 기상 자료, 지리적 정보를 기초로 일사량의 특성을 여러 측면들에서 파악하는 절차로부터 시작할 수 있다.
이어서, 사례 데이터로서 일사량과 그 밖의 기상 자료들을 수집하고 데이터베이스화한다. 이때, 일사량 및 기타 기상 자료들은 월별 기준으로 군집화될 수 있다.
다음으로, 절기별로, 예를 들어 월별로, 군집화된 사례 데이터들에 대해 사례기반추론(Case Based Reasoning)을 통해 테스트 지점의 절기별 일사량을 예측할 수 있다.
예측된 일사량은 이후에 전력 생산량 예측 또는 설비 규모 예측에 활용될 수 있다.
일사량의 특성은 개략적으로 다음과 같이 파악할 수 있다.
국내에서는 기상청에서 운영되는 24개 관측소에서 일사량을 비롯하여 다양한 기상 정보들이 실측되고 있다. 기상 분석 프로그램인 ArcGIS 9.3를 이용하여, 국내 24개 관측소에서 2011년 3월부터 2012년 2월까지 1년 동안의 일사량 데이터의 계절별 평균값을 분석하고, 분석 결과를 지도상에 표현한 것이 도 6a 내지 도 6d이다.
도 6a는 2011년 3월부터 5월까지, 도 6b는 2011년 6월부터 8월까지, 도 6c는 2011년 9월부터 11월까지, 도 6d는 2011년 12월부터 2012년 2월까지 측정된 일사량들의 개략적인 계절별 평균값이다.
도 6a 내지 도 6d에 표현된 일사량 지도는 일견 이러한 지도로 일사량을 충분히 예측할 수 있을 것이라고 여겨질 수 있다. 하지만, 도 6a 내지 도 6d의 일사량 지도는 관측소들의 데이터들을 높이값으로 취급하여 수리적으로 분석한 등고선 형태의 지도일 뿐이어서, 지형적 요건이 고려되지 않아 다만 개략적인 경향을 알 수 있을 뿐이다.
한반도는 사계절이 구별되는 온대계절풍 기후에 속하기 때문에, 여름에는 남동계절풍의 영향을 받아 고온 다습하고, 겨울에는 북서계절풍의 영향을 받아 한랭건조한 기후를 보인다. 또한 3면이 바다이고 국토의 70%가 산이며, 남북으로 길게 뻗은 태백산맥을 중심으로 동고서저형의 지형적 특징을 보인다. 이러한 기후적/지형적 특성이 복합적으로 연계되면서 한반도의 지역별 계절별 일사량 특성을 복잡하게 만들고 있다.
일견 일사량은 위도에 가장 크게 영향을 받을 것 같지만, 실제로는 위도 뿐 아니라 기상 상태에 영향을 더 많이 받을 수 있다. 도 6a 내지 도 6d를 살펴보면, 봄(도 6a)과 가을(도 6c)에는 남쪽으로 갈수록 평균 일사량이 커지는 경향을 보이지만, 여름(도 6c)과 겨울(도 6d)에는 남동쪽 또는 동쪽 지방에서 평균 일사량이 훨씬 큰 경향을 보인다. 따라서, 일사량의 예측을 위해서 단순히 위도나 지리적 정보 정도를 이용하는 것만으로는 부족하고 기상학적 현상들을 중요한 역할을 하는 것을 알 수 있다.
다음의 표 1은 도 6a 내지 도 6d의 기초가 되는 일사량 및 기상 실측 데이터들과 관련하여 일사량과 주요한 기상학적 현상들의 상관관계를 분석한 것이다.
구분 월평균
일조율		 월평균
운량		 월평균
기온
계절별
평균
일사량		 봄
(3월~ 5월) 		.445 -.341 .744
여름
(6월~8월) 		.857 -.804 -.132
가을
(9월~11월) 		.195 .023 .735
겨울
(12월~2월) 		.570 -.449 0.070
표 1을 참조하면, 일사량과 각각의 주요한 기상학적 현상들 사이에 상관관계는 계절 별로 큰 차이가 있음을 알 수 있다. 일반적으로 상관계수의 절대값이 0.5 이상이면 강한 상관관계가 있다고 할 수 있다.
봄 기간 동안에는 일사량과 평균 기온 사이에 상관관계는 0.744로 높은 반면에 일조율과 운량은 상관관계가 낮다. 이러한 상관관계는 도 6a에서도 기온이 높은 남쪽 지방일수록 일조량이 높은 경향으로 확인될 수 있다.
하지만 여름에는 반대로 일사량은 평균 기온에는 낮은 상관관계를 보이지만 일조율과 운량에는 각각 0.857, 0.804의 높은 상관관계를 보였다. 한반도의 여름은 남동계절풍의 영향을 받아 고온다습한 기후를 보이고 장마로 인해 일조율은 떨어지고 운량이 많아 일사량이 영향을 받는데, 그러한 경향이 도 6b에서 확인된다.
가을에는 다시 일사량은 평균 기온과 높은 상관관계(0.735)를 보인다. 국토 전체에 걸쳐 일조율이 높고 운량은 낮기 때문에 일사량에 미치는 영향이 적다.
겨울에는 일사량은 일조율과 약간 높은 상관관계(0.570)를 보이고 기온에는 거의 영향을 받지 않는다.
이러한 방식으로 일사량과 주요한 지리적 정보와 주요한 기상학적 요인들 사이의 상관관계를 분석하고 그 타당성을 검증한 결과 아래 표 2와 같이 평균 일사량에 영향을 미치는 다양한 속성들이 정리되었다.
변수 속성 설명
독립 변수 지리적
요인		 경도 ( ) °동경
위도 ( ) °북위
고도 ( ) m
기상학적
요인		 월평균 일조율 ( ) %
월평균 운량 1~10
월평균 청명일 수 ( ) 일
월평균 기온 ( ) °C
월평균 상대습도 ( ) %
월평균 풍속 ( ) m/s
종속 변수 - 일사량 ( ) kWh/㎡/일
표 2를 참조하면, 일사량에 영향을 미치는 요인들에는 크게 지리적 요인, 기상학적 요인이 있을 수 있다. 지리적 요인은 경도, 위도, 고도 등이고, 기상학적 요인은 일조율, 운량, 청명일수, 기온, 상대습도, 풍속 등의 기상 정보 등이다.
지형적 요인 예를 들어 섬, 분지, 산맥, 안개 지역 등의 요인은 일사량에 영향을 분명히 미치지만 일괄적으로 명목화, 수치화할 수 없는데, 그 영향이 결과적으로 기상학적 현상들로 나타나므로, 지형적 요인들은 기상학적 요인으로 대신할 수 있다.
이러한 영향을 미치는 속성들을 독립 변수들로 하고 일사량을 종속 변수로 하여, 주어진 독립 변수 시험값들에 가장 유사하다고 판단되는 과거의 사례들을 추론할 수 있고, 그러한 과거 사례들의 일사량 데이터로부터 현재 테스트 사례의 일사량을 예측할 수 있다.
아래에서, 15개 지역의 기상청 관측소에서 지난 10년간 수집된 기상학적 관측 자료를 표 2의 독립 변수들 및 종속 변수 항목 구분에 따라 각각의 월간 관측자료를 사례로 하여 데이터베이스화한 사례 데이터베이스를 기초로 사례기반추론을 수행하였다. 사례 데이터베이스는 15 개 지역 * 12 개월 * 10 년 = 1,800 개 사례로 구성될 수 있다.
한편, 일사량 데이터들은 계절적 특성을 가지는 것으로 분석되었고, 이러한 분석 결과에 근거하여, 일사량 데이터의 효율적인 군집화 방안을 생각해 볼 수 있다.
이를 위해 도 7을 잠시 살펴보면, 도 7은 실측된 일사량의 월별 분포를 예시한 도면이다.
도 7에서, 상자도표(boxplot)라는 도식화 기법을 활용하여 데이터의 분포를 시각적으로 판단한 것이다. 상자도표는 다섯 가지 통계지표 즉, 최소 관측치, 낮은 사분값(quartile), 중간값, 높은 사분값 및 최대 관측치를 가지고 데이터의 분포를 시각적으로 표시할 수 있다. 도 7에서 확연하게 나타나듯이, 일사량은 월별로 큰 차이를 보이며, 매년 월별로 반복되는 주기성을 보임을 알 수 있다.
이러한 월간 주기 특성에 대한 통계적 타당성은 시계열 분석을 통해 뒷받침될 수 있다. 실측치들에 대해 시계열 분석(time-series analysis)을 수행한 결과 5% 유의 수준(significant level)에서 시차 12(time lag 12)의 자기 상관 계수에 대한 t-통계치(t-statistics)의 절대값이 경고 수준(warning level) 1.25보다 크게 나타나서, 시간열에 계절성(seansonality)이 있음을 알 수 있다. 다시 말해, 15개 지역의 관측 데이터들이 각각 12개월 시차를 두고 계절성이 나타나며, 월간 주기 특성이 존재한다고 판단할 수 있다.
이러한 월간 주기 특성도 본 발명에서 아래와 같이 효과적으로 활용될 수 있다. 실시예에 따라, 이러한 주기성은 월간 주기 뿐 아니라 봄/여름/가을/겨울의 계절 주기나 그 밖의 하절기/동절기 주기로도 나타나므로, 일정한 기간의 절기로, 예를 들어 월간 주기, 계절 주기나 반기 주기로 이용될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 일사량 예측 방법을 구체적으로 예시한 순서도이다.
도 2를 참조하면, 일사량 예측 방법은 먼저 단계(S21)에서, 테스트 사례 프로젝트의 사례들, 예를 들어 연간 일사량을, 예측의 목적이 되는 목표 속성을 포함하는 다양한 측면에서 정의할 수 있는 각종 속성들을 각각 특정하고, 이들 각종 속성들 사이의 상관관계를 분석한다.
예를 들어, 표 1, 표 2, 도 6a 내지 도 6d과 도7에 예시되는 바와 같이, 지리적 속성들과 기후적 속성들을 분석하고, 일사량과 상관이 높은 지리적 속성 및 기후적 속성들을 선정하며, 일사량의 절기별, 예를 들어 월별, 계절별, 반기별 등의 주기적 특성을 파악할 수 있다.
단계(S22)에서, 단계(S21)에서 특정한 지리적 및 절기별 기후적 속성들을 독립 변수로 하고 절기별 일사량을 종속 변수로 설정하며, 과거의 절기별 실측 사례들이 독립 변수들과 종속 변수들로써 표현되도록 사례 데이터베이스를 구축하고, 일사량을 예측하고 싶은 위치에 관하여 독립 변수들의 시험값들이 절기별로 주어지는 테스트 사례를 준비할 수 있다.
예를 들어, 표 2의 경도, 위도, 고도 등과, 월평균 일조율, 운량, 청명일수, 기온, 상대습도, 풍속 등이 각각 독립 변수들이 될 수 있고, 예측 대상인 월평균 일사량이 종속 변수가 될 수 있다.
이 경우, 사례 데이터베이스의 실제 사례들은 적어도 월평균 일조율 데이터 등의 독립 변수값들을 포함하고 일사량 종속 변수값들을 포함할 수 있다.
일사량을 예측하고자 하는 장소에 관한 테스트 사례에는 일사량을 제외하고 모든 독립 변수들에 대해 시험값들이, 예를 들어 실측값들 또는 추정값들이 월별로 제공되어야 한다. 이때, 경도, 위도, 고도는 예를 들어 국립지리원의 지리 자료에서 입수할 수 있고, 월평균 일조율, 운량, 청명일수, 기온, 상대습도, 풍속은 예를 들어 기상청의 관측 자료에서 제공될 수 있다.
이제 사례기반추론(CBR: Case-based Reasoning)) 기반의 예측 모델을 구동하여 일사량 종속 변수를 예측할 수 있다.
이때, 앞서 살펴본 바와 같이, 사례 데이터베이스의 사례들은 절기별 주기성을 가지며, 이러한 특징을 이용하여 사례들을 절기별로 군집화하고 절기별로 유사 사례들을 검색하면 더욱 정확하게 절기별로 일사량 종속 변수를 예측할 수 있다.
따라서, 단계(S23)에서, 사례 데이터베이스의 사례들을 절기별로 군집화한다. 실시예에 따라, 이러한 군집화는 월별뿐 아니라 예를 들어 계절별로 또는 반기별로 수행될 수도 있다.
단계(S24)에서, 주어진 테스트 사례의 절기별 독립 변수 시험값들에 관하여 사례 데이터베이스로부터 검색되는 결과를 기초로 일사량 종속 변수 예측값을 추정한다. 사례 데이터베이스를 검색하는 구체적인 프로세스는 추후에 도 3 및 도 4를 통해 상세하게 설명한다.
구체적으로, 테스트 사례에서 독립 변수들의 시험값(test values)이 주어지면, 먼저 사례기반추론 방법론을 통해 사례 데이터베이스의 절기별 군집을 검색하여 유사한 사례들을 절기별로 추출한다.
실시예에 따라, 이러한 유사 사례의 추출은 월별뿐 아니라 예를 들어 계절별로 또는 반기별로 수행될 수도 있다.
이어서, 추출된 절기별 유사 사례들의 일사량 종속 변수값들로부터 테스트 사례의 일사량 종속 변수 예측값을 절기별로 추정한다. 일사량 종속 변수 예측값의 추정은 추출된 유사 사례들의 일사량 종속 변수 값들의 산술평균, 중앙값, 최빈값, 가중평균 등의 통계적 대표값으로써 계산될 수 있다.
실시예에 따라, 이러한 일사량 종속 변수 예측값의 추정은 월별뿐 아니라 예를 들어 계절별로 또는 반기별로 수행될 수도 있다.
예를 들어, 테스트 사례는 동경 126.71도, 북위 37.39도, 해발 86m인 서울시 성북구 소재의 초등학교에서 PV 시스템을 도입하기 위해 일사량을 예측하려는 사례이다. 이 지역의 월별 기상 정보는, 예시적으로 10월을 예로 들면, 10월의 월평균 일조율은 62%, 월평균 운량(최소 1, 최대 10)은 3.8, 월평균 청명일 9일, 월평균 기온 14.2도, 월평균 상대습도 55%, 월평균 풍속 2.1 m/s으로 주어진다.
이러한 테스트 사례의 10월 시험값에 관하여 사례기반추론 방법론으로 사례 데이터베이스에서 검색된 10월의 유사 사례들은 다음 표 3과 같이 예시될 수 있다.
변수 사례번호 경도
(°E)		 위도
(°N)		 고도
(m)		 월평균
일조율
(%)		 월
평균
운량
(1~10)		 월평균
청명일
(일)		 월
평균
기온
(°C)		 월
평균
상대
습도
(%)		 월
평균
풍속
(m/s)		 일사량
(kWh/
m2/일)
테스트 사례 - 126.71 37.39 86 62.0 3.8 9 14.2 55 2.1 3.50
검색 사례1 80 126.57 37.36 86 55.8 3.9 13 14.5 61 2.2 3.42
검색 사례2 72 126.57 37.36 86 42.1 3.7 11 12.8 60 2.0 3.50
검색 사례3 70 126.29 36.46 26 57.0 3.9 10 13.7 73 2.4 3.57
검색 사례4 139 127.44 37.54 77 54.2 4.0 6 13.3 74 0.9 3.50
검색 사례5 2 128.53 37.45 26 58.1 3.8 10 14.0 55 2.9 3.47
검색 사례6 24 128.37 35.53 58 60.8 3.7 15 15.7 59 2.0 3.56
6 건의 유사 사례들의 월평균 일사량 값들로부터 테스트 사례의 월평균 일사량은 산술평균, 중앙값, 최빈값, 가중평균 등과 같은 통계적 대표값을 통해 계산될 수 있다. 산술평균으로 계산할 경우에, 테스트 사례의 월평균 일사량 예측값은 3.50 kWh/㎡/일로 추정될 수 있다.
이러한 일사량 예측치와 설비의 성능치로부터 단위면적당 최대 발전량이 예측될 수 있다. 만약 목표로 하는 발전량이 정해져 있다면 태양광 발전 부지의 면적을 산출할 수 있다. 만약 부지 면적이 정해져 있다면 역으로 발전 설비 전체의 최대 발전량을 예측할 수 있다.
선택적인 단계(S25)에서, 앞서 예측된 일사량 예측치를 기초로 발전 설비의 투자 여부를 결정할 수 있고, 투자하기로 결정할 경우 건설할 설비의 규모와 경제성을 예측할 수 있다.
이하에서는 사례기반추론 방법론에 대해 잠시 설명한다. 본 발명에서 적용된 사례기반추론 방법론은, 사례를 통한 근거 제시라는 장점을 유지하면서 사례기반추론의 일반적인 단점인 낮은 정확도와 큰 편차를 개선하기 위해, 일반적으로 높은 정확도와 낮은 편차를 보이는 다른 정량적 예측 기법들인 MRA(Multiple Regression Analysis), ANN(Artificial Neural Network)와, 유전자 알고리즘(Genetic Algorithm)을 사례기반추론 기법에 접목시킨 하이브리드 사례기반추론 방법론(Hybrid CBR)이다.
일반적으로 사례기반추론(CBR)은 프로젝트 특성들을 기반으로 하여 프로젝트 상호간 비교분석을 통해 유사도가 높은 프로젝트 사례를 선별하는 방법론이다. CBR 방법론의 핵심은 속성 유사도(attribute similarity, AS), 속성 가중치(attribute weight, AW), 사례 유사도(case similarity, CS)이며, 아래 수학식 1과 같은 관계가 있다. 어떤 실제 사례와 테스트 사례 사이의 사례 유사도(CS)는 속성 유사도들(AS)과 속성 가중치들(AW)의 곱들의 합으로서 수치화될 수 있다.
Figure 112012063664293-pat00001
여기서, AS는 속성 유사도, AW는 속성 가중치, CS는 사례 유사도이며, n은 속성의 개수, m은 사례의 개수이다.
속성 유사도(AS)는 각각의 프로젝트 특성들, 즉 독립 변수 각각(몇몇 경우에는 종속 변수도 포함할 수 있음)에 대하여, 실제 사례와 테스트 사례 사이의 동일한 종류의 독립 변수들끼리의 차이를 바탕으로 산출된다. 만약 독립 변수의 데이터가 명칭(nominal)이라면, 속성 유사도는 서로 동일할 때에는 1이고 그렇지 않으면 0이다. 만약 독립 변수의 데이터가 숫자(numerical)라면, 속성 유사도(AS)는 다음 수학식 2와 같이 나타낼 수 있다.
Figure 112012063664293-pat00002
fAS는 속성 유사도 계산식을 의미하고, AVTest_Case는 테스트 사례의 특정 속성 값이며, AVRetrieved_Case는 검색된 사례의 특정 속성 값이다. fAS는 속성이 유사할수록 100%에 가까운 값을 가진다. MCAS는 속성 유사도의 수치화를 위한 최소 기준(minimum criterion for scoring the attribute similarity)으로, 속성 유사도가 MCAS보다 높아야만 그 속성 유사도 값이 유효하게 유지되고, 그렇지 않으면 그 값은 버려진다. MCAS는 예를 들어 10%로 설정될 수 있으며, 아래에서 설명되는 바와 같이 최적화될 수 있다.
사례 유사도(CS)는 테스트 사례와 검색 사례 사이에서 모든 독립 변수들의 속성 유사도 및 속성 가중치를 활용하여, 테스트 사례가 각 검색 사례와 얼마나 유사한지를 다음 수학식 3과 같이 수치화할 수 있다.
Figure 112012063664293-pat00003
fCS는 사례 유사도(CS)를 계산하기 위한 함수이고, fAW는 속성 가중치(AW)를 계산하기 위한 함수 또는 그 결과이며, fAS는 속성 유사도(AS)를 계산하는 함수 또는 그 결과이고, n은 속성의 개수이다. 속성 유사도(AS)는 수학식 2와 같이 연산되고, 속성 가중치(AW)는 경험적으로 결정되거나 또는 그 밖의 최적화 방법을 통해 수리적으로 최적화될 수 있다. 사례 유사도(CS)는 속성 유사도를 속성 가중치와 승산한 것들을 합산한 가중 속성 유사도를 속성 가중치들의 합으로 나눈 값으로 예시될 수 있다.
이러한 일반적인 사례기반추론 방법론은 사례 유사도가 높은 유사 사례들을 제공하며, 유사 사례들의 통계적 처리를 통해 예측 결과를 산출할 수 있다. 따라서, CBR 방법론은 예측 결과 뿐아니라, 이를 뒷받침할 유사 사례를 제시하기 때문에, 어떻게 그러한 예측 결과를 얻었는지 설명할 수 있다. 또한 사례들이 축적되면 예측 정확도가 향상될 수 있다.
하지만 일반적인 CBR 방법론은 대체로 다른 정량적 예측 방법론들, 예를 들어 MRA(다중 회귀 분석), ANN(인공신경망)와 같은 방법론들에 비해 상대적으로 예측 정확도가 떨어지는 경향이 있다.
반면에, MRA, ANN 등의 정량적 예측 방법론들은 예측 정확도는 높더라도 근거로 삼은 유사 사례를 제시할 수 없다.
이러한 문제들을 극복하기 위해, 발명자는 다음과 같이 MRA, ANN, GA(유전자 알고리즘)을 복합적으로 적용한 하이브리드 CBR 방법론을 고안하였다. 본 발명에서 고안된 하이브리드 CBR 방법론에 따르면, MRA와 ANN의 높은 예측 정확도와 CBR의 유사 사례 근거 제시라는 각 방법론들의 장점들을 모두 제공할 수 있다.
도 3은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서 응용되는 하이브리드 사례기반추론 방법론의 구체적인 단계들을 예시한 순서도이다.
도 3을 잠시 참조하면, 단계(S31)에서, 적어도 둘 이상의 정량적 예측 방법론들, 예를 들어 MRA와 ANN 등을 사례 데이터베이스 내의 m 개의 사례들에 대해 적용하여, 종속 변수의 예측값들(PV)을 산출한다.
단계(S32)에서, m 개 사례들에서 종속 변수의 실제값들(AV)과 앞서 산출된 예측값들(PV) 사이의 각각의 차이로부터 종속 변수 예측의 오차율, 예를 들어 평균 절대 오차 백분율(MAPE: mean absolute percentage error)을 다음 수학식 4와 같이 산출할 수 있다.
Figure 112012063664293-pat00004
여기서 fMAPE는 MAPE를 구하는 함수이고, AV는 종속 변수의 실제값, PV는 종속 변수의 예측값, m은 사례의 갯수이다.
이렇게 구한 오차율은 많은 수의 실제 사례들을 기반으로 하기 때문에, 새로운 테스트 사례에도 동일한 방법론이라면 같거나 비슷한 수준의 오차율이 발생할 것이라고 보는 것이 합리적이다. 또한, MRA나 ANN 방법론의 오차율은 CBR 방법론의 오차율보다 통상적으로 작기 때문에, 만약 CBR 방법론으로 유사하다고 검색된 사례의 실제값이 MRA나 ANN 방법론의 오차를 고려한 예측값의 범위, 소위 예측 범위를 벗어난다면 그 CBR 사례를 유사 사례 후보군에서 제거하는 것이 바람직하며, 본 명세서에서는 이러한 예측 범위들에 기초한 필터링 범위의 설정과 이를 이용한 부적합한 CBR 사례의 제거를 필터링이라고 부른다. 구체적인 필터링 동작은 아래 단계들에서 설명된다.
단계(S33)에서, 적어도 둘 이상의 정량적 예측 방법론들, 예를 들어 MRA와 ANN 등에 기초하여, 테스트 사례에 대해 각각의 종속 변수 예측값들을 연산한다.
단계(S34)에서, 앞서 단계(S32)에서 연산한 오차율(MAPE)과 단계(S33)에서 연산된 종속 변수의 예측값(PV)을 기초로, 각 예측 방법론에서 실제값이 존재할 수 있는 예측 범위(PR)들을 각각 산출한다.
구체적으로 예를 들면, 다음 수학식 5와 같이 MRA 방법론에서의 예측 범위(PRMRA)와 ANN 방법론에서의 예측 범위(PRANN)을 정의할 수 있다.
Figure 112012063664293-pat00005
수학식 5에서는 각 예측 범위(PR)를 각 예측값(PV)을 중심으로 평균 절대 오차 백분율(MAPE)만큼 상한과 하한을 가지도록 정의되었지만, 실시예에 따라서 다른 파라미터에 의해 상한과 하한이 정의될 수도 있다.
단계(S35)에서, 적어도 둘 이상의 정량적 예측 방법론들, 예를 들어 MRA와 ANN 등의 예측 범위를 기초로 필터링 범위(filtering range)를 결정한다. 여기서 필터링 범위는 추후 단계(S37)에서 수행될 검색 사례들에 대한 필터링에 적용된다.
구체적으로 예를 들면, MRA의 예측 범위(PRMRA)와 ANN의 예측 범위(PRANN)은 약간 다를 것인데, 두 방법론들의 예측 범위들이 서로 겹치는 범위, 즉 교차 범위(cross-range)를 다음 수학식 6과 7과 같이 필터링 범위로서 결정할 수 있다.
Figure 112012063664293-pat00006
수학식 6의 필터링 범위(CRMA: cross-range between predicted values of MRA and ANN models)는 MRA의 예측 범위(PRMRA)와 ANN의 예측 범위(PRANN)의 하한값들 중의 최대와 상한값들 중의 최소 사이의 교차 범위(Cross Range)로서 예시적으로 특정될 수 있다.
Figure 112012063664293-pat00007
수학식 7의 확대된 필터링 범위(CRMA*)는 수학식 6의 필터링 범위(CRMA)에 대해 허용 한계율(TRCRMA: tolerance range of CRMA)만큼 확대한 확대 교차 범위로서 예시적으로 특정될 수 있다.
이렇게 특정된 필터링 범위는 당해 테스트 사례에 대해 CBR 방법론을 통해 검색된 사례들에 적용될 수 있다.
실시예에 따라서는, 단계(S33)에서, 한 가지 정략적 예측 방법론의 예측 범위 자체를 필터링 범위로서 이용하여 검색 사례들에 적용할 수도 있다.
선택적일 수 있는 단계(S36)에서, 적어도 사례기반추론을 위한 복수의 파라미터들을 유전자 알고리즘을 이용하여 최적화한다.
잠시 도 4를 참조하면, 도 4는 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서, 유전자 알고리즘(GA)의 염색체를 예시한 개념도이다.
실시예에 따라서는, 유전자 알고리즘의 염색체는 사례기반추론을 위한 파라미터들, 예를 들어 MCAS(minimum criterion for scoring attribute similarity), RAW(Range of nth Attribute Weight), RCS(range of case selection)과, 필터링 범위의 결정을 위한 파라미터들, 예를 들어 TRCRMA(Tolerance range of cross range between predicted values of MRA and ANN models)를 포함할 수 있다.
예를 들어, MCAS가 너무 높으면 특정 속성에서만 유사도가 낮지만 다른 속성들에서는 유사도가 높은 사례가 탈락할 수 있다. 예를 들어 RAW가 너무 높으면 특정 속성의 영향이 과대 평가될 수 있으며, RCS가 너무 작으면 검색되는 사례가 적어 종속 변수의 예측값 산출이나 과거 사례 제시가 곤란할 수도 있다. TRCRMA가 너무 크면 예측 정확도가 떨어질 수 있다.
따라서, 유전자 알고리즘은 이러한 파라미터들을 유전자로 하는 염색체 개체들이 가장 높은 예측 정확도를 보이도록 선택(selection), 교배(breeding), 돌연변이(mutation) 및 대체(exchange)하면서 여러 세대에 걸쳐 개체수의 변화를 추적하고, 개체수가 가장 많은 편에 속하는 염색체들로서, 최적화된 파라미터들을 제시할 수 있다.
다시 도 3을 참조하면, 단계(S37)에서, 사례기반추론을 통해 검색 사례들을 추출하고, 단계(S38)에서, 추출된 검색 사례들 중에서 종속 변수값들이 필터링 범위 내에 있는 검색 사례들만을 필터링하여 유사 사례로서 출력할 수 있다.
실시예에 따라서, 단계(S37)의 사례기반추론은, 단계(S36)의 파라미터 최적화를 거치지 않고, 예를 들어 경험적인 파라미터들을 적용하여 수행될 수도 있다.
도 5는 본 발명의 일 실시예에 따른 일사량 예측 장치를 예시한 블록도이다.
도 5를 참조하면, 일사량 예측 장치(50)는 도 1 내지 도 4와 도 6 및 도 7을 참조하여 설명한 본 발명의 일사량 예측 방법을 구현하는 장치로서, 사례 데이터베이스(51), 군집 분할부(52), 일사량 하이브리드 예측부(53)을 포함할 수 있다.
사례 데이터베이스(51)는 수년간 실측된 절기별 기상관측 데이터들로부터 독립 변수들 및 종속 변수의 값들로 표현된 실측 사례들을 저장한다. 이때, 실측 사례들은 군집들로 분할되어 저장될 수 있다.
군집 분할부(52)는 사례 데이터베이스(51) 내의 사례들을 절기별로 절기별, 예를 들어 월별, 계절별, 반기별로, 군집들로 분할한다. 군집 분할부(52)가 각각 분할한 군집들은 일사량 하이브리드 예측부(53)에 제공된다.
일사량 하이브리드 예측부(53)는 사례 데이터베이스(51)의 사례들 중에서, 주어진 지리 및 절기별 기상 관측 데이터의 독립 변수 시험값들을 가지는 테스트 사례와 유사한 사례들을 검색하고, 검색된 유사 사례들의 절기별 일사량 종속 변수 값들을 기초로 테스트 사례를 위한 절기별 일사량 종속 변수 예측값을 추정한다.
구체적으로, 일사량 하이브리드 예측부(53)는 각각 내부에 복수의 서로 다른 정량적 예측 방법론들을 각각 수행하는 정량적 예측 분석부들(531)과, 사례기반추론 모델(532), 각 정량적 예측 방법론들의 오차율과 예측 범위로부터 결정되는 필터링 범위를 가지고 사례기반추론 모델(532)의 검색 결과를 필터링하는 필터링부(533), 사례기반추론 모델(532) 및/또는 필터링부(533)의 파라미터들을 최적화하는 파라미터 최적화부(534)를 각각 포함할 수 있다.
정량적 예측 분석부(531)는 예를 들어 MRA 및 ANN 방법론들을 통해 정량적 예측을 수행한다.
필터링부(533)는 예를 들어 MRA 및 ANN 방법론들의 오차율과 예측 범위를 가지고, 선택적으로는 허용 한계 파라미터를 더 가지고, 소정의 필터링 범위를 결정하고, 필터링 범위로써 사례기반추론 모델(532)의 검색 결과를 필터링한다.
이때, 필터링부(533)는 정량적 예측 분석부(531)에서 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 필터링 범위로 결정하거나 또는 그러한 교차 범위를 허용 한계율만큼 확대한 확대 교차 범위를 필터링 범위로 결정할 수 있다.
파라미터 최적화부(534)는 사례기반추론 모델의 각종 파라미터들 내지는 필터링부의 허용 한계 파라미터와 같은 다양한 파라미터들을 예를 들어 유전자 알고리즘을 통해 최적화할 수 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명이 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이와 균등하거나 또는 등가적인 변형 모두는 본 발명 사상의 범주에 속한다 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
50 일사량 예측 장치 51 사례 데이터베이스
52 군집 분할부 53 일사량 하이브리드 예측부
531 정량적 예측 분석부들 532 사례기반추론 모델
533 필터링부 534 파라미터 최적화부

Claims (13)

  1. 사례 데이터베이스, 군집 분할부 및 일사량 예측부를 포함하는 절기별 일사량 예측 장치에 의한 절기별 일사량 예측 방법으로서,
    각각의 사례가 지리적 속성과 절기별로 관측된 기상학적 속성들을 포함하는 복수의 독립 변수들과 절기별로 관측된 일사량을 포함하는 종속 변수로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례가 제공되면,
    상기 군집 분할부가, 상기 사례 데이터베이스 내의 사례들의 절기별 기상학적 속성들 및 절기별 일사량을 절기별 군집으로 분할하는 단계;
    상기 일사량 예측부가, 상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스의 절기별 군집으로부터 절기별 검색 결과를 출력하는 단계; 및
    상기 검색된 절기별 검색 결과를 기초로 절기별 일사량 예측값을 추정하는 단계를 포함하고,
    상기 일사량 예측부가 검색 결과를 출력하는 단계는,
    적어도 둘 이상의 정량적 예측 방법론들에 기초한 각각의 종속 변수 예측값들 및 오차율들을 기초로 필터링 범위를 결정하는 단계;
    적어도 사례기반추론(Case Based Reasoning)을 위한 파라미터들을 유전자 알고리즘(Genetic Algorithm)을 이용하여 최적화하는 단계; 및
    최적화된 파라미터들에 기초한 사례기반추론으로부터 얻은 검색 사례들 중에서 종속 변수값들이 상기 필터링 범위 내에 있는 검색 사례들을 검색 결과로서 출력하는 단계를 포함하는 것을 특징으로 하는 절기별 일사량 예측 방법.
  2. 삭제
  3. 청구항 1에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함하는 것을 특징으로 하는 절기별 일사량 예측 방법.
  4. 청구항 1에 있어서, 상기 필터링 범위는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)인 것을 특징으로 하는 절기별 일사량 예측 방법.
  5. 청구항 1에 있어서, 상기 필터링 범위는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율(tolerance range)만큼 확대한 확대 교차 범위인 것을 특징으로 하는 절기별 일사량 예측 방법.
  6. 청구항 5에 있어서, 상기 적어도 사례기반추론을 위한 파라미터들은,
    사례기반추론을 위한 파라미터들로서 MCAS(minimum criterion for scoring attribute similarity), RAW(Range of nth Attribute Weight), RCS(range of case selection)과, 필터링 범위의 결정을 위한 파라미터들로서 TRCRMA(Tolerance range of cross range between the predicted values of MRA and ANN models)를 포함하는 것을 특징으로 하는 절기별 일사량 예측 방법.
  7. 청구항 1에 있어서, 상기 절기는 각각 월, 계절, 반기 중 어느 하나인 것을 특징으로 하는 절기별 일사량 예측 방법.
  8. 각각의 사례가 지리적 속성과 절기별로 관측된 기상학적 속성들을 포함하는 복수의 독립 변수들과 절기별로 관측된 일사량을 포함하는 종속 변수로써 표현되는 사례 데이터베이스;
    상기 사례 데이터베이스 내의 사례들의 절기별 기상학적 속성들 및 절기별 일사량을 절기별 군집으로 분할하는 군집 분할부; 및
    독립 변수 시험값들이 주어지는 테스트 사례가 제공되면, 상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 출력되는 검색 결과를 기초로 절기별 일사량 종속 변수 예측값을 추정하는 일사량 예측부를 포함하며,
    상기 일사량 예측부는
    적어도 둘 이상의 정량적 예측 방법론들에 기초하여 상기 사례 데이터베이스의 사례들에 관하여 종속 변수 예측값들, 오차율들 및 예측 범위들을 연산하는 정량적 예측 분석부;
    상기 사례 데이터베이스의 사례들 중에서 사례기반추론을 이용하여 테스트 사례와 유사한 사례들을 검색하는 사례기반추론 모델;
    상기 사례기반추론 모델을 위한 파라미터들을 유전자 알고리즘을 이용하여 최적화하는 파라미터 최적화부; 및
    상기 종속 변수 예측값들, 오차율들 및 예측 범위들을 기초로 결정되는 필터링 범위를 가지고 상기 사례기반추론 모델에서 검색된 사례들을 필터링하여 검색 결과를 출력하는 필터링부를 포함하는 것을 특징으로 하는 절기별 일사량 예측 장치.
  9. 삭제
  10. 청구항 8에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함하는 것을 특징으로 하는 절기별 일사량 예측 장치.
  11. 청구항 8에 있어서, 상기 필터링부는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)를 상기 필터링 범위로 결정하도록 동작하는 것을 특징으로 하는 절기별 일사량 예측 장치.
  12. 청구항 8에 있어서, 상기 필터링부는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율만큼 확대한 확대 교차 범위를 상기 필터링 범위로 결정하도록 동작하는 것을 특징으로 하는 절기별 일사량 예측 장치.
  13. 청구항 8에 있어서, 상기 절기는 각각 월, 계절, 반기 중 어느 하나인 것을 특징으로 하는 절기별 일사량 예측 장치.
KR1020120087104A 2012-08-09 2012-08-09 일사량 예측 방법 및 장치 KR101383617B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120087104A KR101383617B1 (ko) 2012-08-09 2012-08-09 일사량 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120087104A KR101383617B1 (ko) 2012-08-09 2012-08-09 일사량 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20140021179A KR20140021179A (ko) 2014-02-20
KR101383617B1 true KR101383617B1 (ko) 2014-04-17

Family

ID=50267718

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120087104A KR101383617B1 (ko) 2012-08-09 2012-08-09 일사량 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101383617B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101515003B1 (ko) * 2014-12-31 2015-04-24 (주)가교테크 일사량 예측방법
KR101771369B1 (ko) 2016-09-20 2017-08-24 대한민국(기상청장) 기상 데이터 처리 장치 및 이를 이용한 기상 신호 추출을 위한 필터 변수값 산출 방법
KR20230021229A (ko) 2021-08-05 2023-02-14 주식회사 케이티 조도센서를 이용한 일사량 예측 장치, 방법 및 컴퓨터 프로그램

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102326375B1 (ko) * 2015-05-14 2021-11-22 한국에너지기술연구원 일사량 누락 데이터 생성 장치 및 방법
KR101960902B1 (ko) * 2016-12-30 2019-03-21 한국에너지기술연구원 기상위성의 청천일사량 보정방법
KR102404712B1 (ko) 2017-11-30 2022-06-29 한국에너지기술연구원 인공신경망 기법을 이용한 일사량 산출을 위한 위성영상분석모델 생성 방법 및 시스템
KR102407597B1 (ko) * 2017-12-14 2022-06-13 한국전기연구원 단조성을 반영한 일사량 예측 모델 생성 방법
US11151222B1 (en) * 2018-05-09 2021-10-19 STWRD, Inc. Sky exposure and solar radiation for forms of life
KR102214173B1 (ko) 2018-12-24 2021-02-08 주식회사 어픽 통합 기상 정보 수집 및 표출 시스템
KR102352330B1 (ko) * 2019-11-27 2022-01-14 조선대학교산학협력단 직산 분리 알고리즘을 이용한 일사량 산출 시스템 및 이를 이용한 건물 내부의 태양광 일사량 산출방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070113558A (ko) * 2006-05-25 2007-11-29 이훈영 케이스기반 예측방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070113558A (ko) * 2006-05-25 2007-11-29 이훈영 케이스기반 예측방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101515003B1 (ko) * 2014-12-31 2015-04-24 (주)가교테크 일사량 예측방법
WO2016108420A1 (ko) * 2014-12-31 2016-07-07 (주)가교테크 일사량 예측방법
KR101771369B1 (ko) 2016-09-20 2017-08-24 대한민국(기상청장) 기상 데이터 처리 장치 및 이를 이용한 기상 신호 추출을 위한 필터 변수값 산출 방법
KR20230021229A (ko) 2021-08-05 2023-02-14 주식회사 케이티 조도센서를 이용한 일사량 예측 장치, 방법 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20140021179A (ko) 2014-02-20

Similar Documents

Publication Publication Date Title
KR101383617B1 (ko) 일사량 예측 방법 및 장치
Ramirez Camargo et al. Spatiotemporal modelling for integrated spatial and energy planning
Fırtın et al. Investigation of wind shear coefficients and their effect on electrical energy generation
Stathopoulos et al. Wind power prediction based on numerical and statistical models
CN105760970A (zh) 空气质量指数的预测方法
US20160125294A1 (en) Method for forecasting energy demands that incorporates urban heat island
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
Solomon et al. Forecasting energy demand in large commercial buildings using support vector machine regression
CN105447770A (zh) 电网气象监测数据应用于精细化气象预报的评估方法
CN117436619B (zh) 一种基于等效防洪作用的梯级水库防洪库容联合预留方法
CN106156906A (zh) 一种用于光伏电站设计的太阳能资源分析评估方法
Deng et al. Using urban building energy modeling to quantify the energy performance of residential buildings under climate change
CN112700349B (zh) 测风塔选址方法和装置
CN108808671A (zh) 一种风电场短期风速集合预报方法
van der Most et al. Extreme events in the European renewable power system: Validation of a modeling framework to estimate renewable electricity production and demand from meteorological data
Mavrogianni et al. A GIS-based bottom-up space heating demand model of the London domestic stock
Deng et al. A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas
Muhammad Lawan et al. Wind energy assessment and mapping using terrain nonlinear autoregressive neural network (TNARX) and wind station data
Eames et al. Quantile regression ensemble for summer temperatures time series and its impact on built environment studies
Zhang Assessment of renewable energy potentials based on GIS and RS: A case study in China
Ayana et al. A compendious approach for renewable energy assessment based on satellite and ground truth data: Bilate catchment, Rift Valley Basin, Ethiopia
Cao et al. Towards urban wind utilization: The spatial characteristics of wind energy in urban areas
de Holanda et al. Impacts and variability on the urban climate of Recife–Pernambuco, Brazil
Brower Development of Eastern Regional Wind Resource and Wind Plant Output Datasets: March 3, 2008--March 31, 2010
CN117455041B (zh) 一种针对预测所得未来水资源的多目标管控利用方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee